资源下载链接为： https://pan.xunlei.com/s/VOYaHLhVeXGtGmlvno37CKcgA1?pwd=hwch 本次目标检测任务以YOLOv1模型为核心，我完整参与了数据预处理、数据集定义、模型搭建、损失函数设计及结果预测全流程，对深度学习有了更直观的认知。实践中曾因数据预处理阶段bbox的y坐标计算错误，导致后续训练模型输出大量负数，这也让我养成了模块写完即验证的习惯，不过初期验证较粗略，多以“不报错、能运行”为标准。 修正后，我用小训练集验证模型正确性，观察是否能实现过拟合，进而调整学习率等参数。此次任务不仅让我掌握了目标检测基本流程与YOLOv1核心思路，还熟练运用PyTorch完成数据处理、网络构建及矩阵运算，更激发了学习《深度学习》的兴趣。同时我也发现YOLOv1的不足：数据编码时，单个网格若存在多个物体仅保留一个，会造成数据丢失，因此不适用于预测框较多的场景。 训练中还积累了实用经验：在华为云训练时，将数据移至https://blog.csdn.net/destiny1234544/article/details/106589675/cache可减少与OBS桶的交互，避免图片读取过慢；云端计算损失需用train_loss += loss.item()，否则内存会持续占用直至Notebook停止（本地训练无此问题）；需关注云端磁盘空间，曾因空间不足导致三小时训练后模型保存失败；建议将每张图片对应的bbox提前整合到txt文件中，此前将bbox暂存内存，每次整合需5分钟，若调试时遇“CUDA out of memory”重启，需重新整合，既耗时又不利于代码检查。